本文整理自 QCon北京 2026 张昊阳《EvoMap如何从单体智能走向群体进化》技术分享通过AI音视频转录总结工具Ai好记转录整理以下为视频转文字精炼整理后的会议笔记内容。为什么Agent总是从零开始如果你用过 AI Agent大概率遇到过这种情况Agent 刚跑起来时表现不错用了一段时间后反而变笨了。因为它学的经验过时了或者踩过的坑下次还得再踩一遍。张昊阳在分享中把这个问题总结得很到位每个 Agent 都在做单机版的学习没有把经验沉淀下来给其他 Agent 复用。更具体地当前的 Agent 面临三个核心困境每个 Agent 都在从零开始——浪费大量 Token 做重复学习经验过时导致幻觉——OpenAI 接口从 v1 迭代到 v3但 Agent 的知识可能还停留在半年前算力成本高——每次启动都要重新学习一遍特别是 Test-Time Training 路子下成本更加高OpenAI 给张昊阳的一个重要启发是Agent 的自举能力——Agent 应该能够自我迭代、自我进化。这个启发最终演变成了 EvoMap 的核心设计理念从单体进化走向群体协同进化。GEP协议把踩坑经验变成可复用的资产EvoMap 的核心创新在于GEP基因-规则-产品协议。为什么需要一个新的协议因为现有的方案要么太死板、要么太灵活MCP 协议的问题在于死板——定义好接口后任何变化都要改协议本身上下文容易过载EntSkill 协议的问题在于过灵活——缺乏标准化跨平台兼容性不好GEP 协议的设计哲学是不仅要告诉 Agent “怎么做”How还要告诉它为什么这么做Why。协议的核心是一个三元组结构Gene基因核心论点与原因——为什么要这样做Rule规则方法论与实现方式——具体怎么做Invent产出最终结果——做成了什么样这三者合在一起就是一个Capsule胶囊——把经验打包成标准化的 JSON 格式资产。张昊阳特别强调Capsule 是参考答案而非标准答案。Agent 拿到后可以结合自身场景做适配而不是死板照搬。EvoMap引擎的运行四步有了协议和 Capsule谁来执行这个经验沉淀-复用的循环答案是 EvoMap 引擎。引擎按四步循环运行Step 1SCAN扫描周期性扫描系统日志发现异常或需要改进的地方。比如某个接口调用频繁超时或者用户的某个请求经常报错。Step 2MUTATE变异/尝试针对扫描发现的问题尝试用 Agent 自身的能力去解决。这个过程类似生物进化中的基因突变——不是一下子搞个大方案而是不断尝试微小的改进。Step 3SOLIDIFY固化如果某个尝试成功了就把这个经验封装成 Capsule 资产存到共享知识库中。Step 4VALIDATE验证固化后的 Capsule 不是直接上线而是要经过金丝雀沙箱验证。EvoMap Hub 会进行安全合规检查和多 Agent 盲审确保新经验的可靠性。这套流程有点像一个永不停止的AI运维工程师——自动发现、自动尝试、自动沉淀、自动验证。唯一需要人介入的是异常情况的处置。飞书场景下的真实效果张昊阳用了一个飞书场景的案例来展示 EvoMap 的实际效果。传统方式下Agent 要解决飞书 TP 超时这个问题需要工程师先分析原因、找解决方案、写代码、测试、发布。整个过程可能耗费数小时甚至数天。EvoMap 的方式是用外脑经验搜索引擎——之前有 Agent 遇到过类似问题把解决经验存成了 Capsule。新 Agent 遇到同样问题时直接从 Capsule 库中检索最匹配的方案适配后应用。这个思路让我想起了开源社区里的复制粘贴文化——大部分问题别人已经遇到过并解决了你需要的是找到那个解决方案而不是重新发明轮子。物理学榜单的实验数据为了验证 EvoMap 的效果张昊阳团队做了一个很严谨的实验实验设置在物理学的黑盒评测场景中对比两个 Agent 的表现——一个配了 EvoMap 外脑一个没有。实验结果配了 EvoMap 的 Agent 智能水平显著提升Token 消耗反而降低了经验资产Capsule在多个 Agent 间复用时质量评分持续上升关键数据点是经过多次复用的 Capsule比原始经验的质量还要高。因为每次被引用时Agent 会根据自身场景做微调微调后的反馈又会优化原始 Capsule。这就是群体进化的核心含义——Agent 不是孤立地变强而是在相互复用经验的过程中共同进化。对技术团队的三点启发听完这场分享我觉得 EvoMap 最值得思考的是这三点经验的表示方式决定了复用效率。如果只是把经验写成文档让 Agent 去读效果很差。GEP 这样的结构化封装才能被机器高效理解和使用。共享经验库比单独训练每个 Agent成本更低。短期来看建共享库需要投入长期来看随着 Agent 数量增加复用的边际成本趋近于零。Agent 群体进化的前提是可复现可验证。不能只有这个方案好还要有测试数据证明它好在哪、适用范围是什么。FAQQGEP 协议和 MCP 协议是什么关系可以共存吗A可以共存。MCP 偏向工具调用的标准化接口怎么调用GEP 偏向经验沉淀和复用的标准化格式怎么学。在实践中两者的定位其实是互补的。QCapsule 的版本怎么管理过期的经验怎么处理AEvoMap Hub 有版本管理和质量评分机制。低分的 Capsule 会被标记或下架确保共享库中的经验始终是当前可用的。Q如果两个 Agent 的 Capsule 方案相互冲突怎么办AEvoMap 的设计哲学是参考答案而非标准答案。Agent 在检索时拿到的是多个候选方案根据自身场景做选择。冲突本身不是问题关键是 Agent 要有判断能力。以上内容由Ai好记视频转文字整理。Ai好记是一款音视频转图文笔记的AI音视频总结工具支持解析 B站、抖音、小红书、小宇宙等平台链接及本地/网盘的音视频文件视频转文字后自动截取PPT关键帧生成精华速览、思维导图和结构化笔记帮助你把几小时的视频内容变成可搜索、可复习的图文笔记。
EvoMap：Agent从单体智能走向群体进化，经验复用才是关键
本文整理自 QCon北京 2026 张昊阳《EvoMap如何从单体智能走向群体进化》技术分享通过AI音视频转录总结工具Ai好记转录整理以下为视频转文字精炼整理后的会议笔记内容。为什么Agent总是从零开始如果你用过 AI Agent大概率遇到过这种情况Agent 刚跑起来时表现不错用了一段时间后反而变笨了。因为它学的经验过时了或者踩过的坑下次还得再踩一遍。张昊阳在分享中把这个问题总结得很到位每个 Agent 都在做单机版的学习没有把经验沉淀下来给其他 Agent 复用。更具体地当前的 Agent 面临三个核心困境每个 Agent 都在从零开始——浪费大量 Token 做重复学习经验过时导致幻觉——OpenAI 接口从 v1 迭代到 v3但 Agent 的知识可能还停留在半年前算力成本高——每次启动都要重新学习一遍特别是 Test-Time Training 路子下成本更加高OpenAI 给张昊阳的一个重要启发是Agent 的自举能力——Agent 应该能够自我迭代、自我进化。这个启发最终演变成了 EvoMap 的核心设计理念从单体进化走向群体协同进化。GEP协议把踩坑经验变成可复用的资产EvoMap 的核心创新在于GEP基因-规则-产品协议。为什么需要一个新的协议因为现有的方案要么太死板、要么太灵活MCP 协议的问题在于死板——定义好接口后任何变化都要改协议本身上下文容易过载EntSkill 协议的问题在于过灵活——缺乏标准化跨平台兼容性不好GEP 协议的设计哲学是不仅要告诉 Agent “怎么做”How还要告诉它为什么这么做Why。协议的核心是一个三元组结构Gene基因核心论点与原因——为什么要这样做Rule规则方法论与实现方式——具体怎么做Invent产出最终结果——做成了什么样这三者合在一起就是一个Capsule胶囊——把经验打包成标准化的 JSON 格式资产。张昊阳特别强调Capsule 是参考答案而非标准答案。Agent 拿到后可以结合自身场景做适配而不是死板照搬。EvoMap引擎的运行四步有了协议和 Capsule谁来执行这个经验沉淀-复用的循环答案是 EvoMap 引擎。引擎按四步循环运行Step 1SCAN扫描周期性扫描系统日志发现异常或需要改进的地方。比如某个接口调用频繁超时或者用户的某个请求经常报错。Step 2MUTATE变异/尝试针对扫描发现的问题尝试用 Agent 自身的能力去解决。这个过程类似生物进化中的基因突变——不是一下子搞个大方案而是不断尝试微小的改进。Step 3SOLIDIFY固化如果某个尝试成功了就把这个经验封装成 Capsule 资产存到共享知识库中。Step 4VALIDATE验证固化后的 Capsule 不是直接上线而是要经过金丝雀沙箱验证。EvoMap Hub 会进行安全合规检查和多 Agent 盲审确保新经验的可靠性。这套流程有点像一个永不停止的AI运维工程师——自动发现、自动尝试、自动沉淀、自动验证。唯一需要人介入的是异常情况的处置。飞书场景下的真实效果张昊阳用了一个飞书场景的案例来展示 EvoMap 的实际效果。传统方式下Agent 要解决飞书 TP 超时这个问题需要工程师先分析原因、找解决方案、写代码、测试、发布。整个过程可能耗费数小时甚至数天。EvoMap 的方式是用外脑经验搜索引擎——之前有 Agent 遇到过类似问题把解决经验存成了 Capsule。新 Agent 遇到同样问题时直接从 Capsule 库中检索最匹配的方案适配后应用。这个思路让我想起了开源社区里的复制粘贴文化——大部分问题别人已经遇到过并解决了你需要的是找到那个解决方案而不是重新发明轮子。物理学榜单的实验数据为了验证 EvoMap 的效果张昊阳团队做了一个很严谨的实验实验设置在物理学的黑盒评测场景中对比两个 Agent 的表现——一个配了 EvoMap 外脑一个没有。实验结果配了 EvoMap 的 Agent 智能水平显著提升Token 消耗反而降低了经验资产Capsule在多个 Agent 间复用时质量评分持续上升关键数据点是经过多次复用的 Capsule比原始经验的质量还要高。因为每次被引用时Agent 会根据自身场景做微调微调后的反馈又会优化原始 Capsule。这就是群体进化的核心含义——Agent 不是孤立地变强而是在相互复用经验的过程中共同进化。对技术团队的三点启发听完这场分享我觉得 EvoMap 最值得思考的是这三点经验的表示方式决定了复用效率。如果只是把经验写成文档让 Agent 去读效果很差。GEP 这样的结构化封装才能被机器高效理解和使用。共享经验库比单独训练每个 Agent成本更低。短期来看建共享库需要投入长期来看随着 Agent 数量增加复用的边际成本趋近于零。Agent 群体进化的前提是可复现可验证。不能只有这个方案好还要有测试数据证明它好在哪、适用范围是什么。FAQQGEP 协议和 MCP 协议是什么关系可以共存吗A可以共存。MCP 偏向工具调用的标准化接口怎么调用GEP 偏向经验沉淀和复用的标准化格式怎么学。在实践中两者的定位其实是互补的。QCapsule 的版本怎么管理过期的经验怎么处理AEvoMap Hub 有版本管理和质量评分机制。低分的 Capsule 会被标记或下架确保共享库中的经验始终是当前可用的。Q如果两个 Agent 的 Capsule 方案相互冲突怎么办AEvoMap 的设计哲学是参考答案而非标准答案。Agent 在检索时拿到的是多个候选方案根据自身场景做选择。冲突本身不是问题关键是 Agent 要有判断能力。以上内容由Ai好记视频转文字整理。Ai好记是一款音视频转图文笔记的AI音视频总结工具支持解析 B站、抖音、小红书、小宇宙等平台链接及本地/网盘的音视频文件视频转文字后自动截取PPT关键帧生成精华速览、思维导图和结构化笔记帮助你把几小时的视频内容变成可搜索、可复习的图文笔记。
